왜 “해석”이 따로 필요한가

21편까지는 모형을 만들고 성능을 재는 이야기였습니다. 그런데 정확도가 아무리 높아도, 회의실에서 다음 질문이 나오면 모형은 멈춰 섭니다.

• “그래서 왜 이 고객이 이탈한다는 거죠?”
• “우리가 무엇을 바꾸면 이 숫자가 좋아지나요?”

성능 지표는 “얼마나 잘 맞히는가”에만 답합니다. 반면 실무의 의사결정은 “어떤 변수를 어느 방향으로 건드려야 하는가”를 요구합니다. 이 간극을 메우는 작업이 모형 해석(model interpretation, 모형 해석)입니다.

쉽게 말하면: 평가는 “이 모형이 쓸 만한가”를 묻고, 해석은 “이 모형이 무엇을 말하고 있는가”를 묻습니다.

빅데이터분석기사 필기 4과목 “분석결과 해석 및 활용”이 통째로 이 주제입니다. 계산이 많지 않은 대신 말의 정확성을 묻습니다. 같은 숫자를 두고 어느 문장이 옳고 어느 문장이 과장인지 고르는 문제가 대부분이라, 해석 문장의 어미 하나까지 신경 써서 익혀야 합니다.

1. 선형회귀 계수 해석

계수는 무엇을 뜻하는가

선형회귀(linear regression, 선형 회귀) 모형은 다음과 같은 모양입니다.

• $\hat{y}$ (와이 햇): 모형이 예측한 값
• $\beta_0$ (베타 제로, 절편, intercept): 모든 설명변수가 0일 때의 예측값
• $\beta_1, \beta_2$ (베타 원, 베타 투, 회귀계수, regression coefficient): 각 설명변수가 예측값에 미치는 영향의 크기와 방향
• $x_1, x_2$ (엑스 원, 엑스 투): 설명변수(독립변수)

계수 해석의 표준 문장은 반드시 이 형태로 외웁니다.

“다른 변수가 모두 같을 때, 해당 변수가 1단위 증가하면 y는 평균적으로 베타만큼 변한다”

이 문장에는 세 개의 안전장치가 들어 있습니다. 하나라도 빠지면 틀린 해석이 됩니다.

작은 예시와 해석

한 카페 체인이 매장별 하루 매출(만원)을 예측하는 모형을 만들었습니다.

• $x_1$: 하루 유동인구(명)
• $x_2$: 반경 300미터 이내 경쟁 매장 수(개)

해석은 이렇습니다.

• 경쟁 매장 수가 같을 때, 유동인구가 1명 늘면 하루 매출은 평균 0.8만원 증가합니다.
• 유동인구가 같을 때, 경쟁 매장이 1개 늘면 하루 매출은 평균 12만원 감소합니다.
• 절편 50은 “유동인구 0명, 경쟁 매장 0개인 매장의 매출”인데, 현실에 그런 매장이 없다면 해석하지 않는 것이 맞습니다. 절편은 계산상의 기준점일 뿐인 경우가 많습니다.

자주 틀리는 점. “경쟁 매장을 없애면 매출이 12만원 오른다”는 인과(causation, 인과) 주장입니다. 회귀계수는 관측 자료에서 나온 연관(association, 연관)일 뿐이므로, 실험이나 추가 근거 없이 이렇게 말하면 안 됩니다. 이 구분은 5절에서 다시 다룹니다.

2. 로지스틱 회귀와 오즈비 — 손계산

왜 오즈를 쓰는가

로지스틱 회귀(logistic regression, 로지스틱 회귀)는 “이탈할까 말까”처럼 두 범주 중 하나를 맞히는 모형입니다(18편 참고). 확률은 0에서 1 사이에 갇혀 있어서 직선으로 표현하기 어렵습니다. 그래서 확률을 오즈(odds, 승산)로 바꾼 뒤 로그를 씌워 직선을 만듭니다.

쉽게 말하면: 오즈는 “일어날 확률 나누기 일어나지 않을 확률”, 즉 도박에서 말하는 배당 비율입니다.

• $p$ (피): 사건이 일어날 확률
• $1-p$: 일어나지 않을 확률

확률 0.75라면 오즈는 $0.75 / 0.25 = 3$, 즉 “일어날 가능성이 안 일어날 가능성의 3배”입니다.

로지스틱 회귀 모형은 이 오즈에 로그를 씌운 값을 직선으로 놓습니다.

• $\ln$ (엘엔, 자연로그): 밑이 $e$(약 2.71828)인 로그
• 좌변 전체를 로그오즈(log odds) 또는 로짓(logit)이라고 부릅니다

계수 $\beta_1$은 “x가 1단위 늘 때 로그오즈가 얼마나 변하는가”입니다. 그런데 로그오즈는 사람이 감을 잡기 어렵습니다. 그래서 지수(exponential, 익스포넨셜)를 씌워 원래 오즈의 배율로 되돌립니다. 이것이 오즈비(odds ratio, 승산비)입니다.

손계산 — 계수 –0.70의 해석

고객 이탈(1이면 이탈)을 예측하는 로지스틱 회귀에서, “정기상담 이용”(1이면 이용) 변수의 계수가 –0.70이고 p값이 0.012로 나왔다고 합시다.

먼저 오즈비를 구합니다.

지수를 손으로 풀어 봅니다. 음수 지수는 역수로 바꿔 계산하면 편합니다.

$e^{0.70}$의 값을 구합니다. $e^{0.7} \approx 2.0138$입니다.

오즈가 몇 퍼센트 줄었는지도 계산합니다.

해석. 다른 변수가 모두 같을 때, 정기상담을 이용한 고객은 이용하지 않은 고객에 비해 이탈 오즈가 약 0.497배, 즉 약 50.3퍼센트 낮습니다. p값 0.012는 유의수준 0.05보다 작으므로 이 음의 연관은 통계적으로 유의합니다.

해석 문장 정답과 오답 비교표. 시험은 정확히 이 지점을 함정으로 씁니다.

계수의 부호와 오즈비의 방향

계수 +0.40인 변수도 계산해 봅시다.

즉 오즈가 약 49.2퍼센트(49.2%) 증가한다고 읽습니다.

자주 틀리는 점. 오즈비 1.5를 “확률이 1.5배”로 읽으면 틀립니다. 오즈가 1.5배입니다. 확률이 이미 높은 구간에서는 오즈비가 커도 확률 증가폭이 작을 수 있습니다.

3. 표준화 계수와 원단위 계수

왜 원단위 계수로는 중요도를 비교할 수 없는가

앞의 카페 모형에서 유동인구 계수는 0.8, 경쟁 매장 계수는 –12였습니다. 그러면 경쟁 매장이 15배 더 중요할까요? 아닙니다. 유동인구는 “명” 단위로 수천까지 움직이지만, 경쟁 매장 수는 0에서 5 정도밖에 움직이지 않습니다. 단위가 다르면 계수 크기 비교는 무의미합니다.

쉽게 말하면: 계수 크기 비교는 “1미터와 1킬로그램 중 뭐가 더 크냐”를 묻는 것과 같습니다. 자를 통일해야 비교할 수 있습니다.

표준화 계수

표준화 계수(standardized coefficient, 표준화 회귀계수)는 모든 변수를 평균 0, 표준편차 1로 바꾼 뒤(12편의 표준화 참고) 구한 계수입니다. 실무에서는 다음 근사식으로도 감을 잡습니다.

• $\beta$ (베타): 원단위 계수
• $s_x$ (에스 엑스): 해당 설명변수의 표준편차

손계산. 유동인구의 표준편차가 300명, 경쟁 매장 수의 표준편차가 1.2개라고 합시다.

해석. 표준편차 한 칸만큼 움직였을 때의 영향은 유동인구가 240만원, 경쟁 매장이 14.4만원입니다. 원단위 계수만 보면 경쟁 매장이 압도적으로 커 보였지만, 실제로 변수가 움직이는 폭까지 감안하면 유동인구가 훨씬 큰 영향력을 가집니다.

자주 틀리는 점. 표준화 계수도 인과의 크기가 아니라 연관의 크기입니다. 또 변수들 사이에 상관이 높으면(다중공선성, 16편 참고) 표준화 계수마저 불안정해집니다.

4. 변수 중요도와 그 한계

나무 기반 변수 중요도

의사결정나무(decision tree, 의사결정나무)와 랜덤포레스트(random forest, 랜덤 포레스트) 같은 나무 계열 모형은 계수가 없습니다. 대신 변수 중요도(feature importance, 변수 중요도)를 제공합니다.

쉽게 말하면: “이 변수로 데이터를 쪼갰을 때 불순도가 얼마나 많이 줄었는지”를 나무 전체에서 합산한 값입니다.

지니지수(Gini index)나 엔트로피(entropy)가 얼마나 감소했는지를 그 변수가 쓰인 모든 분할에서 더해 정규화합니다. 값이 클수록 모형이 그 변수를 많이 활용했다는 뜻입니다.

한계 네 가지 — 시험 단골

카디널리티(cardinality, 고유값의 개수) 편향은 특히 함정으로 자주 나옵니다. 고객ID처럼 값이 전부 다른 변수를 넣으면 나무가 그것만으로 데이터를 잘게 쪼갤 수 있어 중요도 1위를 차지하지만, 실제로는 아무 의미 없는 과적합의 증거일 뿐입니다.

이 한계를 줄이려고 순열 중요도(permutation importance, 순열 중요도)를 씁니다. 한 변수의 값만 무작위로 섞어 놓고 성능이 얼마나 나빠지는지를 재는 방식입니다. 성능 하락이 클수록 그 변수가 실제로 예측에 필요했다는 뜻입니다.

5. 전역 해석과 국소 해석

두 질문은 다르다

• 전역 해석(global interpretation, 전역 해석): “이 모형은 전반적으로 무엇을 배웠는가”
• 국소 해석(local interpretation, 국소 해석): “이 한 명의 고객이 왜 이탈로 예측되었는가”

비유: 전역 해석은 학교 전체의 성적 경향을 분석하는 일이고, 국소 해석은 특정 학생 한 명의 성적표에 대해 “네가 이 점수를 받은 이유는 이 과목 때문”이라고 설명하는 일입니다.

네 가지 해석 도구 비교

PDP를 직관으로. 나이가 이탈에 미치는 영향을 보고 싶다면, 모든 고객의 나이를 강제로 20으로 바꿔 예측한 값을 평균 내고, 다시 21로 바꿔 평균 내고, 이 과정을 반복해 곡선을 그립니다. 그래서 PDP는 전체의 평균 경향을 보여 줍니다. 문제는 절반은 오르고 절반은 내리는 경우 평균이 평평해져 “영향 없음”으로 보인다는 점입니다. 이 위험을 잡아 주는 것이 개별 곡선을 다 그리는 ICE입니다.

SHAP를 직관으로. 팀 프로젝트에서 성과를 팀원별로 공정하게 나누는 문제를 떠올리세요. 어떤 팀원이 있고 없을 때 성과가 얼마나 달라지는지를 모든 조합에서 따져 평균 기여도를 매기는 방식이 섀플리 값입니다. SHAP은 이 아이디어를 변수에 적용해 “기준 예측값에서 출발해 각 변수가 얼마씩 더하고 빼서 이 예측이 나왔다”를 보여 줍니다.

LIME을 직관으로. 복잡한 곡면도 아주 좁은 범위에서는 평면처럼 보입니다. 설명하고 싶은 데이터 한 건 주변에서만 값을 조금씩 흔들어 예측을 모으고, 그 좁은 구역에 단순 선형모형을 맞춰 설명합니다. 그래서 이름에 국소(Local)가 들어갑니다.

자주 틀리는 점. 이 도구들은 모두 모형이 무엇을 근거로 삼았는지를 설명할 뿐, 현실의 인과관계를 증명하지 않습니다. SHAP 기여도가 크다고 해서 그 변수를 조작하면 결과가 바뀐다고 말할 수 없습니다.

6. 상관과 인과 — 해석의 가장 큰 함정

상관은 인과가 아니다

여름이면 아이스크림 판매량과 물놀이 사고 건수가 함께 오릅니다. 상관계수를 재면 0.8이 넘게 나옵니다. 그렇다고 아이스크림을 금지하면 사고가 줄어들까요? 당연히 아닙니다. 두 변수를 동시에 밀어 올린 제3의 변수, 기온이 있기 때문입니다.

쉽게 말하면: 두 숫자가 나란히 움직인다고 해서 한쪽이 다른 쪽을 만든 것은 아닙니다.

이렇게 원인과 결과 양쪽에 동시에 영향을 주어 관계를 왜곡하는 제3의 변수를 교란변수(confounding variable, 혼란변수)라고 부릅니다. 교란변수를 모형에 넣지 않으면 계수는 그 변수의 영향까지 뒤집어씁니다.

인과를 주장하려면 관측 자료만으로는 부족하고 무작위 통제 실험(randomized controlled trial), 즉 A/B 테스트 같은 설계가 필요합니다(24편 참고).

심슨의 역설 — 숫자로 확인

심슨의 역설(Simpson’s paradox, 심슨의 역설)은 집단을 나눠 보면 A가 우세한데, 합쳐서 보면 B가 우세해지는 현상입니다. 숫자로 직접 확인합시다.

두 병원의 수술 생존율입니다.

부분별로는 병원 A가 두 집단 모두에서 앞섭니다. 경증에서 99 대 95, 중증에서 60 대 50입니다.

이제 전체를 합산합니다. 병원 A의 생존자는

병원 B의 생존자는

전체로 보면 병원 A가 63.9퍼센트, 병원 B가 90.5퍼센트로 순위가 완전히 뒤집힙니다. 원인은 병원 A가 중증 환자를 900명이나 받았기 때문입니다. 여기서 환자의 중증도가 바로 교란변수입니다.

시험 포인트. “집계 수준을 바꾸면 결론이 뒤집힐 수 있으므로, 층별(하위 집단별) 분석을 반드시 확인해야 한다”가 정답 문장의 형태입니다.

7. 통계적 유의성과 실무적 중요성

두 개념은 완전히 다르다

• 통계적 유의성(statistical significance, 통계적 유의성): 관측된 차이가 우연으로 보기 어려운가. p값으로 판정합니다(15편 참고)
• 실무적 중요성(practical significance, 실무적 중요성): 그 차이가 실제로 의미 있을 만큼 큰가. 효과의 크기로 판정합니다

쉽게 말하면: p값은 “이 차이가 진짜인가”를 묻고, 효과크기는 “이 차이가 신경 쓸 만큼 큰가”를 묻습니다.

숫자로 확인

버튼 색을 바꾼 A/B 테스트에서 표본이 각 집단 100만 명이었고, 클릭률이 이렇게 나왔습니다.

차이를 계산합니다.

표본이 100만 명씩이면 이 정도 차이도 p값이 0.001 아래로 떨어져 통계적으로 유의해집니다. 그런데 실무적으로 보면, 개편 비용과 배포 위험을 감수할 만한 크기일까요? 0.02퍼센트포인트 향상은 대개 그렇지 않습니다.

반대 방향의 함정도 있습니다. 표본이 30명뿐이라 p값이 0.09로 나온 경우, 유의하지 않다고 해서 “효과가 없음이 증명되었다”고 말하면 틀립니다. 정확한 표현은 “현재 자료로는 효과가 있다고 결론 내릴 근거가 부족하다”입니다.

8. 모델 배포 후 모니터링

왜 배포가 끝이 아닌가

모형은 학습 당시의 세상을 배운 결과물입니다. 세상은 계속 바뀌므로, 아무 손도 대지 않아도 모형 성능은 시간이 지나며 조용히 나빠집니다. 이를 모형 노후화(model decay)라고 부르고, 그 원인을 두 가지 드리프트로 나눕니다.

쉽게 말하면: 지도는 그대로인데 도로가 새로 뚫린 상황입니다. 지도를 다시 그리지 않으면 길을 잃습니다.

두 드리프트의 결정적 차이는 관계(개념)가 변했느냐입니다. 데이터 드리프트는 입력만 이동했고 규칙은 그대로일 수 있지만, 개념 드리프트는 규칙 자체가 달라졌으므로 반드시 재학습이 필요합니다.

모니터링 루프

재학습 주기를 정하는 방식은 두 갈래입니다.

• 정기 재학습: 매월, 매분기처럼 일정에 따라 다시 학습. 단순하고 운영이 쉽지만 급변에 늦게 대응합니다.
• 성능 기반 재학습: 성능 지표가 미리 정한 임계값 아래로 떨어지면 재학습. 반응이 빠르지만 실제 정답(레이블)이 늦게 도착하는 분야에서는 감지가 지연됩니다.

정답 레이블이 몇 달 뒤에야 확인되는 신용 대출 같은 분야에서는 성능 감시만으로는 늦으므로, 입력 분포 감시를 선행 경보로 함께 씁니다.

9. 해석 결과를 의사결정으로 옮길 때의 함정

모형이 옳아도 옮기는 과정에서 틀리는 일이 잦습니다. 실제 실패를 유형화하면 다음과 같습니다.

보고서와 대시보드로 전달할 때

해석은 결국 사람에게 전달되어야 합니다. 전달 단계에서 지켜야 할 원칙은 이렇습니다(자세한 시각화 원칙은 23편 참고).

• 불확실성을 함께 보고합니다. 점 추정치만 크게 띄우지 말고 신뢰구간이나 예측 오차 범위를 함께 제시합니다.
• 대상에 맞춰 깊이를 조절합니다. 경영진에게는 의사결정과 직결된 결론과 기대효과를, 실무자에게는 변수 정의와 적용 조건을 함께 줍니다.
• 가정과 한계를 명시합니다. 학습 기간, 제외한 데이터, 적용 가능한 고객 범위를 빠뜨리면 나중에 오용됩니다.
• 인과가 아닌 것을 인과처럼 쓰지 않습니다. “관련이 있다”와 “때문이다”를 문장 단위로 구분해 씁니다.
• 축 조작이나 선택적 구간 제시로 인상을 과장하지 않습니다. 시각화는 자동으로 객관적이지 않습니다.

10. 시험에서 어떻게 물어보나

유형 ① 계수 해석 문장 고르기. 회귀나 로지스틱 회귀의 계수와 p값을 주고 옳은 해석을 고르게 합니다. 함정은 세 가지입니다. 로그오즈 변화량을 확률 변화량으로 바꿔 놓기, “다른 변수가 같을 때”라는 단서를 뺀 문장, p값이 유의한데도 “방향을 알 수 없다”고 하는 문장입니다. 계수 부호는 방향, p값은 유의성이라는 역할 분담을 기억하면 대부분 걸러집니다.

유형 ② 오즈비 계산과 해석. 계수를 주고 오즈비를 고르게 하거나, 분할표를 주고 오즈비를 계산시킵니다. 분할표형은 “각 집단의 오즈를 먼저 구하고 나눈다”가 절차입니다. 예를 들어 한 집단이 90 대 60이면 오즈는 1.5, 다른 집단이 50 대 150이면 오즈는 3분의 1이므로 오즈비는 4.5입니다. 오즈와 확률을 뒤바꾼 보기가 함정입니다.

유형 ③ 해석 도구 매칭. “개별 예측 한 건의 근거를 설명하는 기법은”, “한 변수를 바꿔 갈 때 예측의 평균 변화를 보여 주는 그래프는” 같은 형태입니다. 전역인지 국소인지만 정확히 구분하면 대부분 풀립니다. PDP는 전역·평균, ICE는 개별 곡선, LIME은 국소 근사, SHAP은 기여도 분해로 외웁니다.

유형 ④ 상관·인과와 유의성 함정. 상관계수가 높다는 사실만으로 인과를 주장하는 보기, 심슨의 역설 상황을 주고 옳은 결론을 고르는 문제, 대규모 표본에서 미세한 차이가 유의하게 나온 상황의 해석이 반복 출제됩니다. “유의하다”는 “중요하다”가 아니다를 문장으로 새겨 두세요.

유형 ⑤ 배포와 모니터링. 데이터 드리프트와 개념 드리프트를 구분하게 하거나 재학습 시점을 묻습니다. “입력 분포만 변했나, 입력과 출력의 관계가 변했나”로 판별합니다.

핵심 정리

• 선형회귀 계수는 “다른 변수가 같을 때 1단위 증가하면 y가 평균적으로 계수만큼 변한다”로 읽고, 로지스틱 회귀 계수는 로그오즈 변화량이므로 지수를 씌워 오즈비로 바꿔 읽는다. 계수 –0.70이면 오즈비는 약 0.497로 오즈가 약 50.3퍼센트 감소한다.
• 단위가 다른 변수끼리는 원단위 계수 크기를 비교할 수 없다. 상대적 영향력 비교는 표준화 계수로 하고, 나무 기반 변수 중요도는 방향이 없고 카디널리티가 높은 변수에 편향되며 상관 변수 사이에서 중요도가 갈린다는 한계를 함께 기억한다.
• 전역 해석(회귀계수·변수 중요도·PDP)은 모형 전체의 경향을, 국소 해석(ICE·SHAP·LIME)은 개별 예측 한 건의 근거를 설명하며, 어느 쪽도 현실의 인과를 증명하지 않는다.
• 상관은 인과가 아니며 교란변수와 심슨의 역설이 결론을 뒤집을 수 있다. 통계적 유의성은 효과의 존재 여부만 말하므로 효과크기로 실무적 중요성을 따로 판단해야 한다.
• 배포는 끝이 아니라 시작이다. 입력 분포가 변하는 데이터 드리프트와 입력·출력 관계가 변하는 개념 드리프트를 감시해 정기 또는 성능 기반으로 재학습하고, 해석을 의사결정으로 옮길 때는 불확실성과 적용 범위를 함께 전달한다.

마무리 복습

참고 자료

• 한국데이터산업진흥원 - 빅데이터분석기사 자격시험 안내 
• SQLDpass - 빅데이터분석기사 필기 기출·복원 
• Statistics Playbook - 빅데이터분석기사 완전 가이드 
• Inflearn 가이드 - 빅데이터분석기사 어떻게 준비해야 할까?